论文部分内容阅读
多代表点近邻分类克服了传统近邻分类算法的缺点，使用以代表点为中心的模型簇构造分类模型并自动确定近邻数目。此类算法在不同类别的样本存在大量重叠时将导致模型簇数量增大，造成预测精度下降。提出了一种多代表点的子空间分类算法，将不同类别的训练样本投影到多个不同的子空间，使用子空间模型簇构造分类模型，有效分隔了不同类别样本在全空间中重叠的区域，以提高分类性能。与传统的kNN（knearestneighbor）、kNNModel、SVM（supportvectormachine）等分类算法的实验对比结果表明，新方法可